IMPLEMENTASI BATCH NORMALIZATION UNTUK MENGATASI OVERFITTING PADA CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM CITRA DETEKSI KANTUK

Pangestu, Gilang (2023) IMPLEMENTASI BATCH NORMALIZATION UNTUK MENGATASI OVERFITTING PADA CONVOLUTIONAL NEURAL NETWORK (CNN) DALAM CITRA DETEKSI KANTUK. Other thesis, UPN "Veteran" Yogyajarta.

	Text 1. Skripsi Fulltext_123160106_Gilang Pangestu.pdf Restricted to Repository staff only Download (3MB)
	Text 2. Abstrak_123160106_Gilang Pangestu.pdf Download (14kB)
	Text 3. Cover_123160106_Gilang Pangestu.pdf Download (81kB)
	Text 4. Lembar Pengesahan_123160106_Gilang Pangestu.pdf Download (901kB)
	Text 5. Daftar isi_123160106_Gilang Pangestu.pdf Download (108kB)

Abstract

vii
ABSTRAK
Penelitian ini membahas pengaruh penambahan batch normalization dalam
mengatasi overfitting pada Convolutional Neural Network (CNN) serta untuk mengetahui
akurasi dalam melakukan pengenalan citra deteksi kantuk. Penelitian ini menggunakan data
sekunder yang berasal dari situs Kaggle.com dan telah disesuaikan untuk kebutuhan deteksi
kantuk agar data menjadi tidak seimbang. Data yang diambil menjadi berjumlah 2151 data
yang terdiri dari 4 kelas yaitu 400 foto pada yawn, 726 pada open, 300 pada closed, dan 725
pada no_yawn. Setelah itu data akan disimpan pada google drive untuk berikutnya diolah
pada model CNN.
Proses pengujian menggunakan metode confusion matrix dan juga membadingkan
grafik loss. Penelitian ini menggunakan 2151 data yang kemudian diaugmentasi dan akan
dibagi menjadi 80% data latih dan 20% data uji. Hasil pengujian dengan confusion matrix
didapatkan akurasi 84%. selain didapatkan akurasi pada confusion matrix juga akan
diperoleh nilai precision, recall dan f1-score. Lalu pada proses juga dimunculkan dua grafik
loss berbeda yang pertama merupakan grafik loss pada basik CNN yang digunakan
sedangkan yang kedua merupakan model custom CNN yang sudah diberi imbuhan batch
normalization dan dropout sebagai penunjuk perbedaan apakah terjadi perubahan pada
overfitting dari data yang sama.
Kata Kunci: Convolutional Neural Network (CNN), Deteksi Kantuk, Batch
Normalisasi, Overfitting.
viii
ABSTRACT
This research discusses the effect of adding batch normalization in overcoming
overfitting on Convolutional Neural Network (CNN) and to determine the accuracy in
performing drowsiness detection image recognition. This research uses secondary data from
the Kaggle.com site and has been adjusted for the needs of drowsiness detection so that the
data becomes unbalanced. The data taken amounted to 2151 data consisting of 4 classes,
namely 400 photos on yawn, 726 on open, 300 on closed, and 725 on no_yawn. After that
the data will be stored on Google Drive for further processing on the CNN model.
The testing process uses the confusion matrix method and also compares the loss
graph. This research uses 2151 data which is then segmented and will be divided into 80%
training data and 20% test data. The results of testing with confusion matrix obtained 84%
accuracy. in addition to obtaining accuracy in confusion matrix will also be obtained
precision, recall and f1-score values. Then in the process two different loss graphs are also
displayed, the first is a loss graph on the CNN basics used while the second is a custom CNN
model that has been added with batch normalization and dropout as a pointer to the
difference whether there is a change in overfitting of the same data.
Keywords: Convolutional Neural Network (CNN), Drowsiness Detection, Batch
Normalization, Overfitting.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network (CNN), Drowsiness Detection, Batch Normalization, Overfitting.
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	03 Aug 2023 04:19
Last Modified:	03 Aug 2023 04:20
URI:	http://eprints.upnyk.ac.id/id/eprint/36744

Actions (login required)

View Item